随着股票市场风格的变化，基本面因子得到越来越多的重视。本文介绍华创证券最新的研究报告《基于财务指标的选股策略》。

以往对股票筹码的研究主要集中在两方面，一方面是从筹码的价格出发，通过过去一段时间的价格和换手率来刻画当前筹码的价格分布；另一方面是从筹码的持有者出发，通过股东户数、人均持股数、机构持股等指标来描绘筹码的投资者分布。可以看出这其实是两个完全不同的角度，本文尝试将这个两个角度的筹码分布进行融合分析。

考虑到A股市场存在较多的市值管理，本文引入Piotroski（2000）的F-Score与分析师评级来尽量保证基本面没有太大的问题。

衡量公司的基本面情况是非常复杂的，不同商业模式需要关注的点可能也不大相同，本文采用学术上使用较为广泛Piotroski（2000）的F-Score与分析师评级，综合财务报表信息与分析师观点来共同衡量股票基本面的状况。

（一）F-Score简介

Piotroski（2000）探讨了是否简单地使用财务报表信息来做基本面分析，可以明显地改善低估值策略，有效地规避低估值陷阱。其从盈利能力、偿债能力与资本结构、运营能力三个方面提出9个指标来衡量公司的基本面状况。

图表1 F-score计算方式

可以看出这9个指标均为0-1变量，将这9个指标加起来即为 F-Score。Piotroski（2000）依据得分将得分在0至3之间的股票设置为 Low 组，将得分在4至6之前的股票设置为 Middle 组，将得分在7至9之间的股票设置为 High 组，我们参考其做法，构建等权多头组合在A股市场做一个测试，从09年至今，每年在5月，9月，11月的第一个交易日进行调仓。

图表 2 F-Score分组收益

从分组收益上可以看出，F-Score 确实具备一定的收益区分能力，高 F-Score 组明显的跑赢低 F-Score 组。此处对于我们来说，更看重的不是把 F-Score 当作一个收益预测因子，而更多的是风控手段。我们统计了一下各股票组出现极端下跌的比例，如下表所示。

图表3F-Score分组出现极端下跌的

可以看出 High 组出现极端下跌的概率明显更小，事前风控效果较为明显。最后我们再来看一下，各组每期选择的股票数量。可以看出 High 组股票数量大致在250至1000只左右，适合我们做进一步筛选的股票池。

图表 4 F-Score分组各组股票数量

（二）分析师评级简介

本文使用的分析师评级来自于朝阳永续库，其定义的一致预期评级做法如下所示： 

1. 用卖方“Go-Goal评级”，买入、收集、中性、派发、卖出赋予分值分别为：1、0.75、0.5、0.25、0，形成“go-goal评级强度”值数列。 

2. 以“Go-Goal评级强度”值为数列，每个机构只取最新一个有效的评级强度，用一致预期加权算法计算每天的个股“一致预期评级强度”值，推算逻辑为：

（1） 90天内3家以上加权计算（数据类型 1）注：一致预期净利润和EPS为5家以上; 

（2） 90天内1~2家加权计算（数据类型为 2） 

（3） 90天内无评级，记录为“Nan”（数据类型 3），只在计算起始日计算； 

（4） 沿用计算（数据类型为 4），只覆盖（3）；注：沿用统计日前一天数据；

算法说明：机构影响力和发布时间影响力双重加权计算; 

从上述说明可以看出，其对分析师不同的推荐程度分为了5档，并进行打分，推荐程度越高的分数越高，最高推荐程度的打1分，最低推荐程度（卖出建议）的打0分。然后在90天内每一个机构取其最新的推荐态度，依据算法说明，再对每一家机构赋上影响力权重以及时间权重，最后得到一个综合的评级结果。 

此处对于分析师评级对于我们来说，仍然是一个偏风控的指标，出于谨慎性考虑我们仅使用数据类型标签为1的数据。并且可以看出无论怎么加权，只有部分分析师给出了中性或者以下评级的时候，才会出现小于0.75的分析师评级，而在A股股票市场，出现不推荐的报告是非常少的，大部分时候是公司出现了明显的风险点。故此处我们在F-score的基础上继续加上分析师评级大于等于0.75的要求。

图表 5 分析师评级与F-score组合净值

可以看出单纯分析师评级大于等于0.75的收益并不高，但把分析师评级加入F-score高得分组内，在18年个股风险频出的时候，收益有明显的提升；对于我们来说，选用这两组基本面指标主要还是风控的作用。

回测区间从2009年5月4日至2019年7月28日，最终策略实现了18%的年化收益，相对中证500基准超额收益13.5%，信息比0.99，最大回撤34.4%，年化双边换手率4.87。

分年情况如下表所示：

我们分析策略的持仓市值中位数在100亿左右，故使用了中证500作为比较基准。从分年收益来看，除14年以外，策略的表现相对比较稳健，基本都是在10%至20%之间的超额收益。14年为什么表现较差主要有两个原因，一是策略本身的逻辑导致在底部反弹时表现一般，这在09年，14年，19年都体现的比较明显，普涨市场大家抱团力度相对较弱；另一原因主要是因为策略在加入F-score分析后，对于不存在流动比率、长期负债率、毛利率财务指标的银行、证券、保险行业，它们的打分偏低，策略基本上没有选到这些行业的股票，这使得策略在部分极端市场上较为容易跑输指数。

本文细致的分析了财务因子的内在逻辑，从考虑最新的财报信息的F-score与分析师信息的分析师评级，两方面综合选股基本面较为良好的股票作为股票池。

另一方面，我们更希望我们是偏左侧的介入股票。因为对于绝大部分股票来说，股东户数等数据本身频度很低，先入场者有很大的获利了结驱动，右侧入场相对被动很多。最终我们构建的基本面选股策略，从2009年5月4日至2019年7月28日，实现了18%的年化收益，相对中证500基准超额收益13.5%，信息比0.99，最大回撤34.4%，年化双边换手率4.87。分年情况除14年以外，超额收益和信息比都比较稳定。

- The End -

本文仅供参考，投资有风险

请投资者自行判断投资机会并承担投资风险

爱晖资产

专注于量化领域的证券基金资产管理公司